核心用法
sergei-mikhailov-stt 是一款专为 OpenClaw 框架设计的语音转文字（STT）技能，核心功能是将用户发送的语音消息自动转换为可读的文本内容。该技能采用 Yandex SpeechKit 作为默认识别引擎，同时预留了可扩展的架构，允许开发者接入其他第三方 STT 服务商（如 Google Cloud Speech-to-Text、Azure Speech Services 等）。
典型使用流程：
1. 用户通过任意已接入 OpenClaw 的即时通讯应用发送语音消息
2. OpenClaw 将音频文件传递至本地技能工作目录
3. 技能自动校验音频格式（OGG/WAV/MP3/M4A/FLAC/AAC）与文件大小（≤1MB）
4. 必要时调用 FFmpeg 进行格式转换
5. 通过 Yandex SpeechKit API 提交识别请求
6. 返回结构化结果：识别文本、检测语言、置信度分数、处理耗时
配置方式灵活，支持通过 OpenClaw 主配置文件（~/.openclaw/openclaw.json）注入环境变量，也可使用本地 .env 文件。技能提供 setup.sh 一键初始化脚本与 check.sh 诊断工具，大幅降低部署门槛。
显著优点
- 即插即用的集成体验：与 OpenClaw 深度耦合，自动处理文件路径、错误兜底、结果格式化，开发者无需编写额外代码
- 多格式兼容性：原生支持 6 种主流音频格式，内置 FFmpeg 转换流水线
- 可扩展架构：基于抽象基类
BaseSTTProvider设计，新增服务商仅需实现recognize()、validate_config()、get_supported_formats()三个方法 - 完善的错误映射：将技术错误（HTTP 401/403/429、FFmpeg 缺失等）转化为用户友好提示，避免暴露敏感信息
- 双语支持：内置俄语（ru-RU）与英语（en-US）识别优化
潜在缺点与局限性
| 限制项 | 说明 |
|--------|------|
| 文件大小上限 | 1MB（Yandex SpeechKit v1 同步 API 硬性限制），约对应 30 秒语音 |
| 音频时长上限 | 官方文档标注 30 分钟，但实际受 1MB 限制约束 |
| 处理延迟 | 同步 API 模式下，复杂音频可能耗时 5 分钟 |
| 语言覆盖 | 当前仅验证俄语、英语，其他语言需自行测试 |
| 网络依赖 | 完全依赖云端 API，离线环境不可用 |
| 隐私考量 | 音频数据需上传至 Yandex Cloud，涉及跨境数据传输 |
适合人群
- OpenClaw 生态用户：已部署 OpenClaw 网关，需要为聊天机器人增加语音交互能力
- 俄语/英语场景开发者：面向俄语区或双语用户的客服、助手类应用
- 中小型项目团队：需要快速验证 STT 功能，暂不具备自研语音识别引擎能力
- 多服务商对比测试者：希望以 Yandex 为基线，逐步评估迁移至其他云服务商
常规风险
1. API 密钥泄露风险：YANDEX_API_KEY 与 YANDEX_FOLDER_ID 以明文形式存储于配置文件，共享服务器或代码仓库时需注意权限控制
2. 成本失控风险：Yandex SpeechKit 按请求时长计费，高频场景需设置配额监控
3. 服务可用性风险：俄罗斯境外网络访问 Yandex Cloud 可能存在延迟或间歇性阻断，建议实现降级逻辑
4. 数据合规风险：涉及个人生物特征信息（语音）的采集，需符合 GDPR、《个人信息保护法》等法规要求
5. 依赖维护风险：FFmpeg 版本差异可能导致特定格式解码失败，建议锁定版本并测试